该论文综述了机器学习和深度学习在农业系统中的应用，并介绍了最近在农业应用领域提出的标签有效机器学习和深度学习方法，特别是弱监督、无监督和自监督学习方法，以及其在精准农业、植物表型鉴定和收获后质量评估等方面的应用。

May, 2023

人工智能在农业中的应用被大部分忽视，本文通过对机器学习在农业中的应用进行全面综述，旨在探索其在农业实践和效率提升中的转型潜力，以优化作物产量并减少环境影响。通过分析和分类农业数据，本研究突出了机器学习能够提高农场生产力和盈利能力的例子，并讨论了在农业应用中显示有希望结果的重要机器学习模型及其独特特点。通过系统综述现有文献，本文填补了人工智能在农业领域的研究空白，为新手和研究者提供了有价值的信息，更深入地了解人工智能在农业中的重要贡献和潜力，最终受益于研究界。

May, 2024

本文综述了深度植物表型技术在精准农业领域的最新研究进展，阐述其在作物管理中的作用，以及如何利用数据实现有效监测。

Jun, 2020

本文综述了人工智能在农业食品系统中的应用，首先总结了农业食品系统中的数据获取方法，其次介绍了农业、畜牧和渔业中人工智能方法的进展和应用，包括农业食品的分类、生长监测、产量预测和质量评估等，同时强调了转变现代农业食品系统所面临的潜在挑战和有前途的研究机会。

May, 2023

本文旨在概述深度学习算法在计算机视觉领域的应用，包括图像分类，目标识别，图像提取和语义分割等方面，同时讨论了构建和训练深度神经网络面临的未来范围和挑战。

Apr, 2018

通过综合研究文献，本文广泛探讨了深度学习在各个学科中的潜在应用，以及相关的优势和挑战，验证了深度学习在预测分析方面的准确性和优势，使其成为一种强大的计算工具。深度学习独立于训练数据，因此需要大量的数据进行有效的分析和处理。为了处理大量的医疗、科学、医疗保健和环境数据，可以利用诸如 LSTMs 和 GRUs 的门控架构。对于多模态学习，神经网络中的共享神经元和特定任务的专用神经元是必要的。

Sep, 2023

开发了一个易于使用的网络应用程序，以解决种植作物面临的问题，其中包括作物推荐、肥料推荐、植物病害预测和交互式新闻提要，同时应用解释性技术解释病害检测模型的预测。

Apr, 2022

本文研究了在农业领域中，利用深度学习方法如 Autoencoders、卷积神经网络（1D，2D 和 3D）、循环神经网络、深度置信网络和生成对抗网络等技术在已知土地覆盖数据集（包括 Indian Pines，Salinas Valley 和 Pavia University）上的成果来解决高光谱成像 (HSI) 分类的过程中，克服光谱区间高度冗余、有限的训练样本以及空间位置与光谱区间之间非线性关系的复杂任务。

Apr, 2023

本文综述了关于图像分割的研究，特别关注了基于深度学习模型的语义分割和实例分割方法，包括全卷积像素标定网络、编码器 - 解码器架构、多尺度与基于金字塔的方法、循环神经网络、视觉注意力模型和对抗生成模型。我们探讨了这些深度学习模型的相似性，能力和挑战，并讨论了未来的研究方向。

Jan, 2020

本文介绍了一个名为 Agriculture-Vision 的大规模农业航空图像数据集，通过对该数据集进行语义分割的实验，证明了农业在计算机视觉领域中仍面临着许多挑战。

Jan, 2020